/01Grundprinzip des Few-Shot Promptings
Few-Shot Prompting (auch: In-Context Learning) nutzt eine einfache Beobachtung: Sprachmodelle lernen aus Mustern im Kontext. Indem man dem Modell vor der eigentlichen Anfrage zwei bis etwa zehn Beispiele (Demonstrationen) zeigt, lernt es das gewünschte Format, die Logik oder den Stil — ohne Finetuning.
Jedes Beispiel besteht aus einem Eingabe-Ausgabe-Paar. Das Modell erkennt das Muster und überträgt es auf die abschließende neue Eingabe. Diese Technik ist besonders effektiv bei unternehmensinternen Formaten, Bewertungsschemata oder Fachvokabular.
/02Vorteile und Grenzen
Few-Shot Prompting ist eine der meistgenutzten Qualitätssteigerungsmethoden in der Praxis:
- Kein Modell-Finetuning notwendig — funktioniert sofort
- Eigenes Unternehmensformat oder Tonalität vermittelbar
- Deutliche Qualitätssteigerung bei strukturierten Ausgaben
- Grenze: Kontext-Fenstergröße begrenzt die Anzahl der Beispiele
- Grenze: Schlechte Beispiele verschlechtern die Ausgabe
Beispielqualität entscheidet
Drei präzise, repräsentative Beispiele liefern oft bessere Ergebnisse als zehn mittelmäßige. Die Auswahl der Demonstrations-Daten ist die eigentliche Kompetenz beim Few-Shot Prompting.
/03Relevanz für den Mittelstand
Few-Shot Prompting ist besonders wertvoll, wenn Unternehmen KI für wiederkehrende, formatgebundene Aufgaben einsetzen: Berichtsvorlagen, Produktbeschreibungen, Kundenkommunikation im Hausstil oder Klassifikation nach internen Kategorien. Die Beispiele können direkt aus bestehenden Unternehmensdokumenten entnommen werden. Diese Technik ist ohne IT-Kenntnisse umsetzbar und erhöht die Konsistenz der KI-Ausgaben erheblich.